CN111652323B - 水质监测方法、装置及服务器 - Google Patents

水质监测方法、装置及服务器 Download PDF

Info

Publication number
CN111652323B
CN111652323B CN202010531423.1A CN202010531423A CN111652323B CN 111652323 B CN111652323 B CN 111652323B CN 202010531423 A CN202010531423 A CN 202010531423A CN 111652323 B CN111652323 B CN 111652323B
Authority
CN
China
Prior art keywords
water quality
label
characteristic
fusion
tag
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010531423.1A
Other languages
English (en)
Other versions
CN111652323A (zh
Inventor
王利
高永飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Communications Beijing Tianjin Hebei Investment Development Co ltd
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010531423.1A priority Critical patent/CN111652323B/zh
Publication of CN111652323A publication Critical patent/CN111652323A/zh
Application granted granted Critical
Publication of CN111652323B publication Critical patent/CN111652323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种水质监测方法、装置及服务器，将正向水质标签特征的标签参数区间和负向水质标签特征的标签参数区间进行融合，得到融合特征的标签参数区间，基于融合特征的标签参数区间对标签识别网络进行训练，或者后续利用标签识别网络对水质标签参数进行分类，即具有负向水质标签特征不限于标签形式的优点，又能在水质标签参数被标记为多标签类型的情况下，通过正向水质标签特征来弥补特征提取不足的缺点，所以相对于现有技术，根据融合特征的标签参数区间对标签识别网络进行训练，提高了水质标签参数的标签参数识别的准确性。

Description

水质监测方法、装置及服务器
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种水质监测方法、装置及服务器。
背景技术
目前，在进行水质参数的监测过程中，通常会涉及到针对水质参数的标签进行识别，以便于后续的数据统计和挖掘。在标签识别过程中通常是通过学习标签的特征后对进行标签识别的。常见的特征提取的方案主要包括两种，一种是提取正向水质标签特征，所谓正向水质标签特征是指水质监测数据序列自身的标签符合程度特征得到的特征；另外一种是提取负向水质标签特征，所谓负向水质标签特征是指反映水质监测数据序列自身的标签非符合程度特征。
然而，发明人通过大量数据发现，采用上述标签识别方法的时候，仍旧难以无法对程序的水质标签参数的标签参数进行准确的识别。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的之一在于提供一种水质监测方法、装置及服务器，将正向水质标签特征的标签参数区间和负向水质标签特征的标签参数区间进行融合，得到融合特征的标签参数区间，基于融合特征的标签参数区间对标签识别网络进行训练，或者后续利用标签识别网络对水质标签参数进行分类，即具有负向水质标签特征不限于标签形式的优点，又能在水质标签参数被标记为多标签类型的情况下，通过正向水质标签特征来弥补特征提取不足的缺点，所以相对于现有技术，根据融合特征的标签参数区间对标签识别网络进行训练，提高了水质标签参数的标签参数识别的准确性。
第一方面，本申请提供一种水质监测方法，应用于服务器，所述方法包括：
接收监测到的多个水质监测数据序列，所述水质监测数据序列是指所属的水质标签参数已被预先标定的水质监测数据序列，所述多个水质监测数据序列属于至少两个不同水质标签参数；
从所述多个水质监测数据序列中选择出一个水质监测数据序列，执行以下处理从而得到选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，直到处理完所述多个水质监测数据序列中的每个水质监测数据序列为止：
依据包括至少一个正向水质标签特征的预设正向水质标签特征集、以及包括至少一个负向水质标签特征的预设负向水质标签特征集，获取选择出的水质监测数据序列的每个所述正向水质标签特征的标签参数区间和每个所述负向水质标签特征的标签参数区间，所述正向水质标签特征反映所述选择出的水质监测数据序列的标签符合程度特征，所述负向水质标签特征反映所述选择出的水质监测数据序列的标签非符合程度特征；
根据所述选择出的水质监测数据序列的至少一个正向水质标签特征的标签参数区间、至少一个负向水质标签特征的标签参数区间以及至少一个融合策略规则，获得所述选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，所述至少一个融合水质标签特征中的每个融合水质标签特征的标签参数区间是基于对应的融合策略规则得到的，所述融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略；
针对所述至少一个融合水质标签特征中的第一融合水质标签特征，执行以下处理，以此类推，从而得到每个融合水质标签特征的置信度：
根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度，所述置信度的大小体现所述第一融合水质标签特征用于区分水质监测数据序列所属水质标签参数的有效程度；
根据所述每个融合水质标签特征的置信度，从所述至少一个融合水质标签特征中选择目标融合水质标签特征，所述目标融合水质标签特征的置信度体现的有效程度大于所述至少一个融合水质标签特征中的其他融合水质标签特征的置信度体现的有效程度；
根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络。
在第一方面的一种可能的实施方式中，所述根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度的步骤，包括：
按照水质监测数据序列所属的水质标签参数，统计每个水质标签参数的水质监测数据序列中所述第一融合水质标签特征的标签参数区间，从而得到所述第一融合水质标签特征在各个水质标签参数的标签值；
根据所述第一融合水质标签特征在各个水质标签参数的标签值，确定所述第一融合水质标签特征的置信度。
在第一方面的一种可能的实施方式中，所述至少一个融合水质标签特征包括目标融合水质标签特征，所述目标融合水质标签特征的标签参数区间是基于对应的目标融合策略规则得到的；
所述每个融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略，包括：
所述目标融合策略指示从所述预设正向水质标签特征集和所述预设负向水质标签特征集中确定水质标签特征本身相同、且标签参数区间相同的水质标签特征，并确定第一特征参数和第二特征参数中的最大参数，所述第一特征参数为所述预设正向水质标签特征集中包含的正向水质标签特征的总数目，所述第二特征参数为所述预设负向水质标签特征集中包含的负向水质标签特征的总数目；
计算所述特征本身相同且标签参数区间相同的特征的总数目与所述最大参数之间的比值，将所述比值作为所述目标融合水质标签特征的标签参数区间。
在第一方面的一种可能的实施方式中，所述根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络的步骤，包括：
根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，获取各自对应的标签参数区间的训练样本信息，并将各自对应的标签参数区间的训练样本信息按照各自对应的权重进行融合后，得到融合训练样本信息，识别所述融合训练样本信息中包含的标签深度特征；
根据预设的共享标签深度特征类别列表，识别所述标签深度特征中的共享标签深度特征，并确定所述共享标签深度特征所属的共享标签深度特征类别；
确定所述共享标签深度特征在所述融合训练样本信息中的开始节点和终末节点，并根据各个所述共享标签深度特征的所述开始节点和所述终末节点，分析所述融合训练样本信息中是否仅包含共享标签深度特征，得到所述分析结果；
将所述融合训练样本信息和所述分析结果输入到初始标签识别网络进行训练，得到训练后的标签识别网络，所述训练后的标签识别网络用于对水质标签参数的类别进行预测。
在第一方面的一种可能的实施方式中，所述根据各个所述共享标签深度特征的所述开始节点和所述终末节点，分析所述融合训练样本信息中是否仅包含共享标签深度特征，得到所述分析结果的步骤，包括：
定义一序列位点与所述融合训练样本信息的序列位点相同的序列位图，并将所述序列位图中的各个位图节点的值置为第一位图值；
将开始节点为所述融合训练样本信息的首节点的所述共享标签深度特征确定为第一目标共享标签深度特征，并将所述第一目标共享标签深度特征的终末节点对应的位图节点的值更新为第二位图值；
将开始节点不是所述融合训练样本信息的首位置的所述共享标签深度特征确定为第二目标共享标签深度特征，并检测各个所述第二目标共享标签深度特征的开始节点的前一节点对应的位图节点的值是否为所述第二位图值；
若所述第二目标共享标签深度特征的开始节点的前一节点对应的位图节点的值为所述第二位图值，则将所述第二目标共享标签深度特征的终末节点对应的位图节点的值更新为所述第二位图值；
在遍历完所有所述共享标签深度特征后，若检测到所述融合训练样本信息的末节点对应的位图节点的值为所述第二位图值，则判定所述融合训练样本信息中仅包含共享标签深度特征；
在遍历完所有所述共享标签深度特征后，若检测到所述融合训练样本信息的末位置对应的位图节点的值为所述第一位图值，则判定所述融合训练样本信息中不是仅包含共享标签深度特征。
第二方面，本申请实施例提供一种水质监测装置，应用于服务器，所述装置包括：
接收模块，用于接收监测到的多个水质监测数据序列，所述水质监测数据序列是指所属的水质标签参数已被预先标定的水质监测数据序列，所述多个水质监测数据序列属于至少两个不同水质标签参数；
第一执行模块，用于从所述多个水质监测数据序列中选择出一个水质监测数据序列，执行以下处理从而得到选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，直到处理完所述多个水质监测数据序列中的每个水质监测数据序列为止：
依据包括至少一个正向水质标签特征的预设正向水质标签特征集、以及包括至少一个负向水质标签特征的预设负向水质标签特征集，获取选择出的水质监测数据序列的每个所述正向水质标签特征的标签参数区间和每个所述负向水质标签特征的标签参数区间，所述正向水质标签特征反映所述选择出的水质监测数据序列的标签符合程度特征，所述负向水质标签特征反映所述选择出的水质监测数据序列的标签非符合程度特征；
根据所述选择出的水质监测数据序列的至少一个正向水质标签特征的标签参数区间、至少一个负向水质标签特征的标签参数区间以及至少一个融合策略规则，获得所述选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，所述至少一个融合水质标签特征中的每个融合水质标签特征的标签参数区间是基于对应的融合策略规则得到的，所述融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略；
第二执行模块，用于针对所述至少一个融合水质标签特征中的第一融合水质标签特征，执行以下处理，以此类推，从而得到每个融合水质标签特征的置信度：
根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度，所述置信度的大小体现所述第一融合水质标签特征用于区分水质监测数据序列所属水质标签参数的有效程度；
选择模块，用于根据所述每个融合水质标签特征的置信度，从所述至少一个融合水质标签特征中选择目标融合水质标签特征，所述目标融合水质标签特征的置信度体现的有效程度大于所述至少一个融合水质标签特征中的其他融合水质标签特征的置信度体现的有效程度；
训练模块，用于根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络。
第三方面，本申请实施例提供一种服务器，包括处理器、存储器和网络接口。其中，存储器、网络接口处理器之间可以通过总线系统相连。网络接口用于接收报文，存储器用于存储程序、指令或代码，处理器用于执行存储器中的程序、指令或代码，以完成上述第一方面或第一方面的任意可能的设计方式中的所执行的操作。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上执行时，使得计算机执行上述第一方面或第一方面的任意可能的设计方式中的方法。
基于上述任意一个方面，本申请将正向水质标签特征的标签参数区间和负向水质标签特征的标签参数区间进行融合，得到融合特征的标签参数区间，基于融合特征的标签参数区间对标签识别网络进行训练，或者后续利用标签识别网络对水质标签参数进行分类，即具有负向水质标签特征不限于标签形式的优点，又能在水质标签参数被标记为多标签类型的情况下，通过正向水质标签特征来弥补特征提取不足的缺点，所以相对于现有技术，根据融合特征的标签参数区间对标签识别网络进行训练，提高了水质标签参数的标签参数识别的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的水质监测方法的流程示意图；
图2为本申请实施例提供的水质监测装置的功能模块示意图；
图3为本申请实施例提供的用于执行上述的水质监测方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
请参阅图1，为本申请实施例提供的水质监测方法的流程示意图，下面对该水质监测方法进行详细介绍。
步骤S110，接收监测到的多个水质监测数据序列，水质监测数据序列是指所属的水质标签参数已被预先标定的水质监测数据序列，多个水质监测数据序列属于至少两个不同水质标签参数。
步骤S120，从多个水质监测数据序列中选择出一个水质监测数据序列，执行处理从而得到选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，直到处理完多个水质监测数据序列中的每个水质监测数据序列为止。
例如，可以依据包括至少一个正向水质标签特征的预设正向水质标签特征集、以及包括至少一个负向水质标签特征的预设负向水质标签特征集，获取选择出的水质监测数据序列的每个正向水质标签特征的标签参数区间和每个负向水质标签特征的标签参数区间，正向水质标签特征反映选择出的水质监测数据序列的标签符合程度特征，负向水质标签特征反映选择出的水质监测数据序列的标签非符合程度特征。
然后，可以根据选择出的水质监测数据序列的至少一个正向水质标签特征的标签参数区间、至少一个负向水质标签特征的标签参数区间以及至少一个融合策略规则，获得选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，至少一个融合水质标签特征中的每个融合水质标签特征的标签参数区间是基于对应的融合策略规则得到的，融合策略规则指示对预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略。
步骤S130，针对至少一个融合水质标签特征中的第一融合水质标签特征，执行处理，以此类推，从而得到每个融合水质标签特征的置信度：
例如，可以根据第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定第一融合水质标签特征的置信度，置信度的大小体现第一融合水质标签特征用于区分水质监测数据序列所属水质标签参数的有效程度。
步骤S140，根据每个融合水质标签特征的置信度，从至少一个融合水质标签特征中选择目标融合水质标签特征，目标融合水质标签特征的置信度体现的有效程度大于至少一个融合水质标签特征中的其他融合水质标签特征的置信度体现的有效程度。
步骤S150，根据每个水质监测数据序列中目标融合水质标签特征的标签参数区间、每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络。
基于上述设计，本实施例将正向水质标签特征的标签参数区间和负向水质标签特征的标签参数区间进行融合，得到融合特征的标签参数区间，基于融合特征的标签参数区间对标签识别网络进行训练，或者后续利用标签识别网络对水质标签参数进行分类，即具有负向水质标签特征不限于标签形式的优点，又能在水质标签参数被标记为多标签类型的情况下，通过正向水质标签特征来弥补特征提取不足的缺点，所以相对于现有技术，根据融合特征的标签参数区间对标签识别网络进行训练，提高了水质标签参数的标签参数识别的准确性。
在一种可能的实施方式中，针对步骤S130而言，在根据第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定第一融合水质标签特征的置信度的过程中，可以按照水质监测数据序列所属的水质标签参数，统计每个水质标签参数的水质监测数据序列中第一融合水质标签特征的标签参数区间，从而得到第一融合水质标签特征在各个水质标签参数的标签值。
然后，根据第一融合水质标签特征在各个水质标签参数的标签值，确定第一融合水质标签特征的置信度。
在一种可能的实施方式中，至少一个融合水质标签特征包括目标融合水质标签特征，目标融合水质标签特征的标签参数区间是基于对应的目标融合策略规则得到的。
每个融合策略规则可以指示对预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略。
例如，目标融合策略可以指示从预设正向水质标签特征集和预设负向水质标签特征集中确定水质标签特征本身相同、且标签参数区间相同的水质标签特征，并确定第一特征参数和第二特征参数中的最大参数，第一特征参数为预设正向水质标签特征集中包含的正向水质标签特征的总数目，第二特征参数为预设负向水质标签特征集中包含的负向水质标签特征的总数目。
然后，计算特征本身相同且标签参数区间相同的特征的总数目与最大参数之间的比值，将比值作为目标融合水质标签特征的标签参数区间。
在一种可能的实施方式中，针对步骤S150而言，可以根据每个水质监测数据序列中目标融合水质标签特征的标签参数区间、每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，获取各自对应的标签参数区间的训练样本信息，并将各自对应的标签参数区间的训练样本信息按照各自对应的权重进行融合后，得到融合训练样本信息，识别融合训练样本信息中包含的标签深度特征。
然后，可以根据预设的共享标签深度特征类别列表，识别标签深度特征中的共享标签深度特征，并确定共享标签深度特征所属的共享标签深度特征类别，在此基础上，确定共享标签深度特征在融合训练样本信息中的开始节点和终末节点，并根据各个共享标签深度特征的开始节点和终末节点，分析融合训练样本信息中是否仅包含共享标签深度特征，得到分析结果。
由此，可以将融合训练样本信息和分析结果输入到初始标签识别网络进行训练，得到训练后的标签识别网络，训练后的标签识别网络用于对水质标签参数的类别进行预测。
在一种可能的实施方式中，在根据各个共享标签深度特征的开始节点和终末节点，分析融合训练样本信息中是否仅包含共享标签深度特征，得到分析结果的过程中，可以通过以下示例性的实施方式来实现，详细描述如下。
(1)定义一序列位点与融合训练样本信息的序列位点相同的序列位图，并将序列位图中的各个位图节点的值置为第一位图值。
(2)将开始节点为融合训练样本信息的首节点的共享标签深度特征确定为第一目标共享标签深度特征，并将第一目标共享标签深度特征的终末节点对应的位图节点的值更新为第二位图值。
(3)将开始节点不是融合训练样本信息的首位置的共享标签深度特征确定为第二目标共享标签深度特征，并检测各个第二目标共享标签深度特征的开始节点的前一节点对应的位图节点的值是否为第二位图值。
(4)若第二目标共享标签深度特征的开始节点的前一节点对应的位图节点的值为第二位图值，则将第二目标共享标签深度特征的终末节点对应的位图节点的值更新为第二位图值。
(5)在遍历完所有共享标签深度特征后，若检测到融合训练样本信息的末节点对应的位图节点的值为第二位图值，则判定融合训练样本信息中仅包含共享标签深度特征。
(6)在遍历完所有共享标签深度特征后，若检测到融合训练样本信息的末位置对应的位图节点的值为第一位图值，则判定融合训练样本信息中不是仅包含共享标签深度特征。
图2为本申请实施例提供的水质监测装置200的功能模块示意图，本实施例可以根据上述方法实施例对该水质监测装置200进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。比如，在采用对应各个功能划分各个功能模块的情况下，图2示出的水质监测装置200只是一种装置示意图。其中，水质监测装置200可以包括接收模块210、第一执行模块220、第二执行模块230、第一选择模块240以及训练模块250，下面分别对该水质监测装置200的各个功能模块的功能进行详细阐述。
接收模块210，用于接收监测到的多个水质监测数据序列，水质监测数据序列是指所属的水质标签参数已被预先标定的水质监测数据序列，多个水质监测数据序列属于至少两个不同水质标签参数。
第一执行模块220，用于从多个水质监测数据序列中选择出一个水质监测数据序列，执行以下处理从而得到选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，直到处理完多个水质监测数据序列中的每个水质监测数据序列为止：
依据包括至少一个正向水质标签特征的预设正向水质标签特征集、以及包括至少一个负向水质标签特征的预设负向水质标签特征集，获取选择出的水质监测数据序列的每个正向水质标签特征的标签参数区间和每个负向水质标签特征的标签参数区间，正向水质标签特征反映选择出的水质监测数据序列的标签符合程度特征，负向水质标签特征反映选择出的水质监测数据序列的标签非符合程度特征。
根据选择出的水质监测数据序列的至少一个正向水质标签特征的标签参数区间、至少一个负向水质标签特征的标签参数区间以及至少一个融合策略规则，获得选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，至少一个融合水质标签特征中的每个融合水质标签特征的标签参数区间是基于对应的融合策略规则得到的，融合策略规则指示对预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略。
第二执行模块230，用于针对至少一个融合水质标签特征中的第一融合水质标签特征，执行以下处理，以此类推，从而得到每个融合水质标签特征的置信度：
根据第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定第一融合水质标签特征的置信度，置信度的大小体现第一融合水质标签特征用于区分水质监测数据序列所属水质标签参数的有效程度。
选择模块240，用于根据每个融合水质标签特征的置信度，从至少一个融合水质标签特征中选择目标融合水质标签特征，目标融合水质标签特征的置信度体现的有效程度大于至少一个融合水质标签特征中的其他融合水质标签特征的置信度体现的有效程度。
训练模块250，用于根据每个水质监测数据序列中目标融合水质标签特征的标签参数区间、每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络。
在一种可能的实施方式中，根据第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定第一融合水质标签特征的置信度的方式，包括：
按照水质监测数据序列所属的水质标签参数，统计每个水质标签参数的水质监测数据序列中第一融合水质标签特征的标签参数区间，从而得到第一融合水质标签特征在各个水质标签参数的标签值；
根据第一融合水质标签特征在各个水质标签参数的标签值，确定第一融合水质标签特征的置信度。
在一种可能的实施方式中，至少一个融合水质标签特征包括目标融合水质标签特征，目标融合水质标签特征的标签参数区间是基于对应的目标融合策略规则得到的；
每个融合策略规则指示对预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略的方式，包括：
目标融合策略指示从预设正向水质标签特征集和预设负向水质标签特征集中确定水质标签特征本身相同、且标签参数区间相同的水质标签特征，并确定第一特征参数和第二特征参数中的最大参数，第一特征参数为预设正向水质标签特征集中包含的正向水质标签特征的总数目，第二特征参数为预设负向水质标签特征集中包含的负向水质标签特征的总数目；
计算特征本身相同且标签参数区间相同的特征的总数目与最大参数之间的比值，将比值作为目标融合水质标签特征的标签参数区间。
在一种可能的实施方式中，根据每个水质监测数据序列中目标融合水质标签特征的标签参数区间、每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络的方式，包括：
根据每个水质监测数据序列中目标融合水质标签特征的标签参数区间、每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，获取各自对应的标签参数区间的训练样本信息，并将各自对应的标签参数区间的训练样本信息按照各自对应的权重进行融合后，得到融合训练样本信息，识别融合训练样本信息中包含的标签深度特征；
根据预设的共享标签深度特征类别列表，识别标签深度特征中的共享标签深度特征，并确定共享标签深度特征所属的共享标签深度特征类别；
确定共享标签深度特征在融合训练样本信息中的开始节点和终末节点，并根据各个共享标签深度特征的开始节点和终末节点，分析融合训练样本信息中是否仅包含共享标签深度特征，得到分析结果；
将融合训练样本信息和分析结果输入到初始标签识别网络进行训练，得到训练后的标签识别网络，训练后的标签识别网络用于对水质标签参数的类别进行预测。
图3为本申请实施例提供的用于执行上述水质监测方法的服务器100的结构示意图，如图3所示，该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130的数量可以是一个或多个，图3中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图3中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的水质监测方法对应的程序指令/模块(例如，图2中所示的接收模块210、第一执行模块220、第二执行模块230、第一选择模块240以及训练模块250)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的水质监测方法，在此不再赘述。
机器可读存储介质120可第一要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的仓储服务进程。存储数据区可存储根据终端的使用所创建的数据等。此外，机器可读存储介质120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合时刻的存储器。在一些实例中，机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(DigitalSignalProcessorDSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过通信接口110和其它设备进行信息交互。通信接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用通信接口110收发信息。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字水质监测员线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(sol标识state disk，SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种水质监测方法，其特征在于，应用于服务器，所述方法包括：
接收监测到的多个水质监测数据序列，所述水质监测数据序列是指所属的水质标签参数已被预先标定的水质监测数据序列，所述多个水质监测数据序列属于至少两个不同水质标签参数；
从所述多个水质监测数据序列中选择出一个水质监测数据序列，执行以下处理从而得到选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，直到处理完所述多个水质监测数据序列中的每个水质监测数据序列为止：
依据包括至少一个正向水质标签特征的预设正向水质标签特征集、以及包括至少一个负向水质标签特征的预设负向水质标签特征集，获取选择出的水质监测数据序列的每个所述正向水质标签特征的标签参数区间和每个所述负向水质标签特征的标签参数区间，所述正向水质标签特征反映所述选择出的水质监测数据序列的标签符合程度特征，所述负向水质标签特征反映所述选择出的水质监测数据序列的标签非符合程度特征；
根据所述选择出的水质监测数据序列的至少一个正向水质标签特征的标签参数区间、至少一个负向水质标签特征的标签参数区间以及至少一个融合策略规则，获得所述选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，所述至少一个融合水质标签特征中的每个融合水质标签特征的标签参数区间是基于对应的融合策略规则得到的，所述融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略；
针对所述至少一个融合水质标签特征中的第一融合水质标签特征，执行以下处理，以此类推，从而得到每个融合水质标签特征的置信度：
根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度，所述置信度的大小体现所述第一融合水质标签特征用于区分水质监测数据序列所属水质标签参数的有效程度；
根据所述每个融合水质标签特征的置信度，从所述至少一个融合水质标签特征中选择目标融合水质标签特征，所述目标融合水质标签特征的置信度体现的有效程度大于所述至少一个融合水质标签特征中的其他融合水质标签特征的置信度体现的有效程度；
根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络。
2.根据权利要求1所述的水质监测方法，其特征在于，所述根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度的步骤，包括：
按照水质监测数据序列所属的水质标签参数，统计每个水质标签参数的水质监测数据序列中所述第一融合水质标签特征的标签参数区间，从而得到所述第一融合水质标签特征在各个水质标签参数的标签值；
根据所述第一融合水质标签特征在各个水质标签参数的标签值，确定所述第一融合水质标签特征的置信度。
3.根据权利要求1所述的水质监测方法，其特征在于，所述至少一个融合水质标签特征包括目标融合水质标签特征，所述目标融合水质标签特征的标签参数区间是基于对应的目标融合策略规则得到的；
所述每个融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略，包括：
所述目标融合策略指示从所述预设正向水质标签特征集和所述预设负向水质标签特征集中确定水质标签特征本身相同、且标签参数区间相同的水质标签特征，并确定第一特征参数和第二特征参数中的最大参数，所述第一特征参数为所述预设正向水质标签特征集中包含的正向水质标签特征的总数目，所述第二特征参数为所述预设负向水质标签特征集中包含的负向水质标签特征的总数目；
计算所述特征本身相同且标签参数区间相同的特征的总数目与所述最大参数之间的比值，将所述比值作为所述目标融合水质标签特征的标签参数区间。
4.根据权利要求1-3任一项所述的水质监测方法，其特征在于，所述根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络的步骤，包括：
根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，获取各自对应的标签参数区间的训练样本信息，并将各自对应的标签参数区间的训练样本信息按照各自对应的权重进行融合后，得到融合训练样本信息，识别所述融合训练样本信息中包含的标签深度特征；
根据预设的共享标签深度特征类别列表，识别所述标签深度特征中的共享标签深度特征，并确定所述共享标签深度特征所属的共享标签深度特征类别；
确定所述共享标签深度特征在所述融合训练样本信息中的开始节点和终末节点，并根据各个所述共享标签深度特征的所述开始节点和所述终末节点，分析所述融合训练样本信息中是否仅包含共享标签深度特征，得到分析结果；
将所述融合训练样本信息和所述分析结果输入到初始标签识别网络进行训练，得到训练后的标签识别网络，所述训练后的标签识别网络用于对水质标签参数的类别进行预测。
5.根据权利要求4所述的水质监测方法，其特征在于，所述根据各个所述共享标签深度特征的所述开始节点和所述终末节点，分析所述融合训练样本信息中是否仅包含共享标签深度特征，得到所述分析结果的步骤，包括：
定义一序列位点与所述融合训练样本信息的序列位点相同的序列位图，并将所述序列位图中的各个位图节点的值置为第一位图值；
将开始节点为所述融合训练样本信息的首节点的所述共享标签深度特征确定为第一目标共享标签深度特征，并将所述第一目标共享标签深度特征的终末节点对应的位图节点的值更新为第二位图值；
将开始节点不是所述融合训练样本信息的首位置的所述共享标签深度特征确定为第二目标共享标签深度特征，并检测各个所述第二目标共享标签深度特征的开始节点的前一节点对应的位图节点的值是否为所述第二位图值；
若所述第二目标共享标签深度特征的开始节点的前一节点对应的位图节点的值为所述第二位图值，则将所述第二目标共享标签深度特征的终末节点对应的位图节点的值更新为所述第二位图值；
在遍历完所有所述共享标签深度特征后，若检测到所述融合训练样本信息的末节点对应的位图节点的值为所述第二位图值，则判定所述融合训练样本信息中仅包含共享标签深度特征；
在遍历完所有所述共享标签深度特征后，若检测到所述融合训练样本信息的末位置对应的位图节点的值为所述第一位图值，则判定所述融合训练样本信息中不是仅包含共享标签深度特征。
6.一种水质监测装置，其特征在于，应用于服务器，所述装置包括：
接收模块，用于接收监测到的多个水质监测数据序列，所述水质监测数据序列是指所属的水质标签参数已被预先标定的水质监测数据序列，所述多个水质监测数据序列属于至少两个不同水质标签参数；
第一执行模块，用于从所述多个水质监测数据序列中选择出一个水质监测数据序列，执行以下处理从而得到选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，直到处理完所述多个水质监测数据序列中的每个水质监测数据序列为止：
依据包括至少一个正向水质标签特征的预设正向水质标签特征集、以及包括至少一个负向水质标签特征的预设负向水质标签特征集，获取选择出的水质监测数据序列的每个所述正向水质标签特征的标签参数区间和每个所述负向水质标签特征的标签参数区间，所述正向水质标签特征反映所述选择出的水质监测数据序列的标签符合程度特征，所述负向水质标签特征反映所述选择出的水质监测数据序列的标签非符合程度特征；
根据所述选择出的水质监测数据序列的至少一个正向水质标签特征的标签参数区间、至少一个负向水质标签特征的标签参数区间以及至少一个融合策略规则，获得所述选择出的水质监测数据序列的至少一个融合水质标签特征的标签参数区间，所述至少一个融合水质标签特征中的每个融合水质标签特征的标签参数区间是基于对应的融合策略规则得到的，所述融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略；
第二执行模块，用于针对所述至少一个融合水质标签特征中的第一融合水质标签特征，执行以下处理，以此类推，从而得到每个融合水质标签特征的置信度：
根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度，所述置信度的大小体现所述第一融合水质标签特征用于区分水质监测数据序列所属水质标签参数的有效程度；
选择模块，用于根据所述每个融合水质标签特征的置信度，从所述至少一个融合水质标签特征中选择目标融合水质标签特征，所述目标融合水质标签特征的置信度体现的有效程度大于所述至少一个融合水质标签特征中的其他融合水质标签特征的置信度体现的有效程度；
训练模块，用于根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络。
7.根据权利要求6所述的水质监测装置，其特征在于，所述根据所述第一融合水质标签特征在每个水质监测数据序列中的标签参数区间以及每个水质监测数据序列的水质标签参数，确定所述第一融合水质标签特征的置信度的方式，包括：
按照水质监测数据序列所属的水质标签参数，统计每个水质标签参数的水质监测数据序列中所述第一融合水质标签特征的标签参数区间，从而得到所述第一融合水质标签特征在各个水质标签参数的标签值；
根据所述第一融合水质标签特征在各个水质标签参数的标签值，确定所述第一融合水质标签特征的置信度。
8.根据权利要求6所述的水质监测装置，其特征在于，所述至少一个融合水质标签特征包括目标融合水质标签特征，所述目标融合水质标签特征的标签参数区间是基于对应的目标融合策略规则得到的；
所述每个融合策略规则指示对所述预设正向水质标签特征集中的指定正向水质标签特征的标签参数区间和所述预设负向水质标签特征集中的指定负向水质标签特征的标签参数区间执行融合策略的方式，包括：
所述目标融合策略指示从所述预设正向水质标签特征集和所述预设负向水质标签特征集中确定水质标签特征本身相同、且标签参数区间相同的水质标签特征，并确定第一特征参数和第二特征参数中的最大参数，所述第一特征参数为所述预设正向水质标签特征集中包含的正向水质标签特征的总数目，所述第二特征参数为所述预设负向水质标签特征集中包含的负向水质标签特征的总数目；
计算所述特征本身相同且标签参数区间相同的特征的总数目与所述最大参数之间的比值，将所述比值作为所述目标融合水质标签特征的标签参数区间。
9.根据权利要求6-8任一项所述的水质监测装置，其特征在于，所述根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，训练得到标签识别网络的方式，包括：
根据所述每个水质监测数据序列中所述目标融合水质标签特征的标签参数区间、所述每个水质监测数据序列的至少一个正向水质标签特征的标签参数区间以及所述每个水质监测数据序列的至少一个负向水质标签特征的标签参数区间，获取各自对应的标签参数区间的训练样本信息，并将各自对应的标签参数区间的训练样本信息按照各自对应的权重进行融合后，得到融合训练样本信息，识别所述融合训练样本信息中包含的标签深度特征；
根据预设的共享标签深度特征类别列表，识别所述标签深度特征中的共享标签深度特征，并确定所述共享标签深度特征所属的共享标签深度特征类别；
确定所述共享标签深度特征在所述融合训练样本信息中的开始节点和终末节点，并根据各个所述共享标签深度特征的所述开始节点和所述终末节点，分析所述融合训练样本信息中是否仅包含共享标签深度特征，得到分析结果；
将所述融合训练样本信息和所述分析结果输入到初始标签识别网络进行训练，得到训练后的标签识别网络，所述训练后的标签识别网络用于对水质标签参数的类别进行预测。
10.一种服务器，其特征在于，所述服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个大数据服务终端通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-6中任意一项所述的水质监测方法。
CN202010531423.1A 2020-06-11 2020-06-11 水质监测方法、装置及服务器 Active CN111652323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010531423.1A CN111652323B (zh) 2020-06-11 2020-06-11 水质监测方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010531423.1A CN111652323B (zh) 2020-06-11 2020-06-11 水质监测方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN111652323A CN111652323A (zh) 2020-09-11
CN111652323B true CN111652323B (zh) 2023-12-19

Family

ID=72347800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010531423.1A Active CN111652323B (zh) 2020-06-11 2020-06-11 水质监测方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN111652323B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257621A (zh) * 2012-12-24 2013-08-21 北京万维盈创科技发展有限公司 污染源排放工况的监测装置
WO2017109663A1 (en) * 2015-12-22 2017-06-29 GOGINENI, Shyamala Devi A smart bio-fluids diagnostic monitoring system and a method of monitoring healthiness
CN109063071A (zh) * 2018-07-24 2018-12-21 江苏卓易信息科技股份有限公司 一种基于拓扑关联的水污染溯源方法及设备
CN111241214A (zh) * 2020-03-12 2020-06-05 高自通 用于水利工程的水质远程在线检测方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103257621A (zh) * 2012-12-24 2013-08-21 北京万维盈创科技发展有限公司 污染源排放工况的监测装置
WO2017109663A1 (en) * 2015-12-22 2017-06-29 GOGINENI, Shyamala Devi A smart bio-fluids diagnostic monitoring system and a method of monitoring healthiness
CN109063071A (zh) * 2018-07-24 2018-12-21 江苏卓易信息科技股份有限公司 一种基于拓扑关联的水污染溯源方法及设备
CN111241214A (zh) * 2020-03-12 2020-06-05 高自通 用于水利工程的水质远程在线检测方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
.信息融合在水环境监测中的应用.资源节约与环保.2016,(第09期),全文. *
古丽娜孜・阿布力孜 ; 艾克拉木・麦麦提图尔荪 *

Also Published As

Publication number Publication date
CN111652323A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN109784391B (zh) 基于多模型的样本标注方法及装置
CN111798312B (zh) 一种基于孤立森林算法的金融交易系统异常识别方法
CN109740689B (zh) 一种图像语义分割的错误标注数据筛选方法及系统
CN111132145B (zh) 网络通信安全监测方法、装置、服务器及网络通信系统
CN113051500B (zh) 一种融合多源数据的钓鱼网站识别方法及系统
CN110956123B (zh) 一种富媒体内容的审核方法、装置、服务器及存储介质
CN112529109A (zh) 一种基于无监督多模型的异常检测方法及系统
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN110855529A (zh) 网络信息安全监护方法、装置、服务器及可读存储介质
CN109086938B (zh) 产品sku识别方法、装置及计算机可读存储介质
CN111523844B (zh) 仓储管理方法、装置、服务器及可读存储介质
CN111652323B (zh) 水质监测方法、装置及服务器
CN111814052A (zh) 移动互联网用户管理方法、装置、服务器及可读存储介质
CN112434651A (zh) 一种基于图像识别的信息分析方法、装置及计算机设备
CN110213341B (zh) 应用程序的下载检测方法及装置
CN115221135B (zh) 一种工业互联网数据的共享方法及系统
CN111950448B (zh) 基于机器视觉的高压隔离开关故障状态检测方法及装置
CN113285977B (zh) 基于区块链和大数据的网络维护方法及系统
CN104123469A (zh) 一种普适计算环境上下文一致性检测调度系统及方法
CN114036314A (zh) 一种基于知识图谱的渗透路径识别方法及系统
CN116416486A (zh) 图像识别方法及系统
CN114362982A (zh) 流量细分识别方法、系统、电子设备和存储介质
CN112085082A (zh) 一种污水排放实时监测方法、装置及服务器
CN111539477A (zh) 水质监测管理方法、装置、服务器及可读存储介质
CN109033889B (zh) 一种基于时空碰撞的入侵识别方法、装置及智能终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 614000 zone a, no.216, shijicheng South Road, high tech Zone, Chengdu, Sichuan Province

Applicant after: Wang Li

Address before: No. 228, Liwu village, Nanzhuang Town, Jianshui County, Honghe Hani and Yi Autonomous Prefecture, Yunnan Province, 654300

Applicant before: Wang Li

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TA01 Transfer of patent application right

Effective date of registration: 20231218

Address after: 518000, 2010 Caitian Road, Fushan Community, Futian Street, Futian District, Shenzhen City, Guangdong Province, China B1008M19, Zhongshen Garden

Applicant after: Shenzhen Newlekang Intellectual Property Operation Co.,Ltd.

Address before: 614000 zone a, no.216, shijicheng South Road, high tech Zone, Chengdu, Sichuan Province

Applicant before: Wang Li

TA01 Transfer of patent application right
TR01 Transfer of patent right

Effective date of registration: 20231221

Address after: 300202 Yihang Building, Chentangzhuang Street, Hexi District, Tianjin City

Patentee after: China Communications Beijing Tianjin Hebei Investment Development Co.,Ltd.

Address before: 518000, 2010 Caitian Road, Fushan Community, Futian Street, Futian District, Shenzhen City, Guangdong Province, China B1008M19, Zhongshen Garden

Patentee before: Shenzhen Newlekang Intellectual Property Operation Co.,Ltd.

TR01 Transfer of patent right